HuggingFace Daily Papers·2026-10-05 08:00· 2 天前AI 评分46

HuatuoGPT-3：仅用强化学习从基座模型完成领域适配

HuatuoGPT-3: RL-Only Domain Adaptation from Base Models

AI 导读

研究团队提出 One-stage Policy Optimization（OnePO），仅用强化学习即可将基座模型适配到医疗领域，解决冷启动中的 Gradient Starvation 与 Teacher-Distribution Anchoring 问题。